CN115329682B 一种基于多周期特征的lstm-svr地铁车站温度预测方法 （南京国电南自轨道交通工程有限公司）

AU2020101023A4,2020.07一种基于多周期特征的LSTM-SVR地铁车站本发明公开了一种基于多周期特征的LSTM_然后运用时间序列分解模型，对数据做滑动平2将周期波动继续分解出周期分量和残差余项，并提取其余周2.根据权利要求1所述一种基于多周期特征的LSTM_SVR地铁车站温度预测方法，其特3t=σ(Wfht-1+WfXt+Bf)；t=σ(Wiht-1+WiXt+Bi)；t=σ(Woht-1+WoXt+Bo)；tLSTM训练模型与BP神经网络一样具有误差反向传播的特点4由于地铁车站温度数据平稳性好，循环波动因素Ct和周期波动因素St的非线性特征和有效避免过拟合问题；SVR算法的思路是利用核函数将线性不可分的低维空间数据分映射3.根据权利要求2所述的一种基于多周期特征的LSTM_SVR地铁车站温度预测方法，其对于给定的地铁车站温度时间序列数据，划分一个超平面，f(x)=ωTx+b则样本点x到f(xi)-y至e+,y-f(xi)至E+范,(f三0,铲三0,i=1,2,…,m)5领域，尤其涉及一种基于多周期特征的LSTM_SVR(长短期记忆网络_支持向量回归)地铁车[0002]城市轨道交通作为当前城市内最为先进的公共交通工具，承担着大量的客运任包括支持向量回归(SVR)、循环神经网络(RNN)、长短期记忆网络(LSTM)、回声状态网络短期记忆网络(LSTM)和支持向量回归(SV6[0016]周期波动因素St：表示由于自然季节因素(气候条件)或人文习惯季节因素(节假t=σ(Wfht-1+WfXt+Bf)t=σ(Wiht-1+WiXt+Bi)[0024]gr=figr-1+igt=σ(Woht-1+WoXt+Bo)fi[0030]由于地铁车站温度数据平稳性较高，循环波动因素Ct和周期波7特征明显的问题时具有独特的优势,建立决策函数仅依赖于少量支持向量,具有较好的鲁[0036]且T1＞T2＞T3＞…>Tn[0045]1、本发明针对地铁环境温度的时间序列数据用LSTM_SVR对各个趋势特征数据进[0046]2、本发明在另一方面可以将分解之后的各个时间序列作并行处理，提高训练速8[0063]由于离散傅里叶变换的逆变换不包含时域信息，即从图2中无法看出信号频域随9[0068]周期波动因素St：表示由于自然季节因素(气候条件)或人文习惯季节因素(节假[0075](3)页T=S,对It变量做滑动平均将消除大部分随机性记忆网络LSTM(Longshort-termmemory)是一种特殊的循环神经网络RNN(Recurrentt=σ(Wfht-1+WfXt+Bf)t=σ(Wiht-1+WiXt+Bi)t=σ(Woht-1+WoXt+Bo)[0089]由于地铁车站温度数据平稳性较高，循环波动因素Ct和周期波特征明显的问题时具有独特的优势,建立决策函数仅依赖于少量支持向量,具有较好的鲁[0090]对于给定的地铁车站温度时间序列数据，划分一个超平面f(x)=ωTx+b，则样本[0097]为了选择合适的核函数使得训练样本在特征空间中线性可分，引入“松弛变量”,[0111]且T1＞T2＞T3＞…>Tn[0119]取本实施例实验所用数据集的前40000条数据作为训练集，后7839条数据作为预(平均绝对误差)、RMSE(均方根误差)、MAPE(平均绝对百分误差)3种预测评价指标进行评